Zaawansowana automatyzacja raportów finansowych z Python i SQL
Program kursu
-
Moduł 1 - Architektura pipeline finansowego
Wzorce ETL i ELT, wybór bazy danych dla danych finansowych, planowanie struktury tabel, wersjonowanie schematu.
-
Moduł 2 - Ekstrakcja danych z różnych źródeł
Połączenia z REST API systemów ERP, parsowanie plików XML i JSON z wyciągów bankowych, obsługa paginacji i limitów zapytań.
-
Moduł 3 - Transformacja w pandas i SQL
Czyszczenie danych transakcyjnych, agregacje wielopoziomowe, obliczanie wskaźników finansowych skryptami Python, testy jakości danych.
-
Moduł 4 - Modelowanie w PostgreSQL
Schemat gwiazdy dla danych finansowych, indeksy i partycjonowanie tabel, widoki materializowane dla przyspieszenia zapytań raportowych.
-
Moduł 5 - Orchestracja z Apache Airflow
Definiowanie DAG dla dziennego i miesięcznego pipeline, obsługa błędów i powiadomienia e-mail, monitorowanie wykonania zadań.
-
Moduł 6 - Warstwa wizualizacji
Konfiguracja Metabase z połączeniem do PostgreSQL, budowa dashboardu CFO, osadzanie raportów w narzędziach wewnętrznych firmy.
-
Moduł 7 - Dokumentacja i przekazanie systemu
Pisanie dokumentacji technicznej, README dla zespołu, procedury awaryjne i plan aktualizacji pipeline.
Jeśli Power BI i Google Sheets to za mało, bo twoje dane są zbyt złożone, zbyt duże albo wymagają logiki, której nie da się wyrazić formułą, ten kurs jest dla ciebie.
Kiedy narzędzia no-code przestają wystarczać
Granica pojawia się zazwyczaj w trzech sytuacjach: dane przekraczają kilka milionów wierszy, logika agregacji zależy od warunków biznesowych trudnych do opisania w DAX, albo raport musi łączyć dane z systemów ERP, CRM i arkuszy jednocześnie. W takich przypadkach skrypt w Pythonie i dobrze zaprojektowana baza danych robią to, czego interfejs graficzny nie potrafi.
Struktura techniczna materiału
Kurs prowadzi przez budowę kompletnego pipeline: od ekstrakcji danych z API systemu ERP przez transformację w pandas, załadowanie do bazy PostgreSQL, aż po warstwę wizualizacji w Metabase lub Apache Superset. Każdy etap jest udokumentowany skryptami dostępnymi w repozytorium GitHub dołączonym do kursu. Ćwiczenia opierają się na fikcyjnym zbiorze danych spółki produkcyjnej z 18 miesiącami historii transakcji.
Wymagania przed rozpoczęciem
Musisz znać Pythona na poziomie umożliwiającym samodzielne pisanie funkcji i obsługę biblioteki pandas. Podstawy SQL są niezbędne. Jeśli nigdy nie pisałeś zapytania z JOIN, zacznij od kursu podstawowego i wróć tu za kilka tygodni.
Realistyczne oczekiwania wobec automatyzacji
Pipeline zbudowany podczas kursu będzie wymagał utrzymania. Zmiany w strukturze danych źródłowych, aktualizacje API, migracje baz danych - każda z tych sytuacji może wymagać korekty skryptów. Automatyzacja redukuje powtarzalną pracę, ale nie eliminuje potrzeby rozumienia danych i dbania o jakość procesu.